論文の概要: Flexible Image Denoising with Multi-layer Conditional Feature Modulation
- arxiv url: http://arxiv.org/abs/2006.13500v1
- Date: Wed, 24 Jun 2020 06:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 13:16:53.811937
- Title: Flexible Image Denoising with Multi-layer Conditional Feature Modulation
- Title（参考訳）: 多層コンディショナル特徴変調を用いたフレキシブル画像デノージング
- Authors: Jiazhi Du, Xin Qiao, Zifei Yan, Hongzhi Zhang, and Wangmeng Zuo
- Abstract要約: 条件付き特徴変調(CFM)モジュールを備えたU-Netバックボーンを備えることにより,新しいフレキシブル画像符号化ネットワーク(CFMNet)を提案する。
CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。
我々のCFMNetは、フレキシブルな非盲検のためのノイズレベル情報を利用するのに有効であり、定量的メトリクスと視覚的品質の両方の観点から、既存の深部画像復調法に対して好適に機能する。
- 参考スコア（独自算出の注目度）: 56.018132592622706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For flexible non-blind image denoising, existing deep networks usually take
both noisy image and noise level map as the input to handle various noise
levels with a single model. However, in this kind of solution, the noise
variance (i.e., noise level) is only deployed to modulate the first layer of
convolution feature with channel-wise shifting, which is limited in balancing
noise removal and detail preservation. In this paper, we present a novel
flexible image enoising network (CFMNet) by equipping an U-Net backbone with
multi-layer conditional feature modulation (CFM) modules. In comparison to
channel-wise shifting only in the first layer, CFMNet can make better use of
noise level information by deploying multiple layers of CFM. Moreover, each CFM
module takes onvolutional features from both noisy image and noise level map as
input for better trade-off between noise removal and detail preservation.
Experimental results show that our CFMNet is effective in exploiting noise
level information for flexible non-blind denoising, and performs favorably
against the existing deep image denoising methods in terms of both quantitative
metrics and visual quality.
- Abstract（参考訳）: フレキシブルな非blind画像デノイジングでは、既存のディープネットワークは通常、ノイズ画像とノイズレベルマップの両方を入力として、単一のモデルでさまざまなノイズレベルを処理する。
しかしながら、この種のソリューションでは、ノイズ分散(すなわちノイズレベル)は、ノイズ除去と細部保存のバランスが制限されるチャネルシフトにより畳み込み特徴の第1層を変調するためにのみデプロイされる。
本稿では,U-Netバックボーンに複数層条件付き特徴変調(CFM)モジュールを組み込んだフレキシブル画像符号化ネットワーク(CFMNet)を提案する。
CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。
さらに、各cfmモジュールはノイズ除去と細部保存のトレードオフを改善するため、ノイズ画像とノイズレベルマップの両方から畳み込み特徴を入力として取り込む。
実験の結果, cfmnetは, フレキシブルな非盲検音にノイズレベル情報を利用するのに有効であり, 定量的測定と視覚品質の両面で, 既存の深部画像推定法に対して好適な効果を示すことがわかった。
関連論文リスト
- Real-time Controllable Denoising for Image and Video [44.68523669975698]
コントロール可能なイメージデノゲーションは、人間の先行したクリーンなサンプルを生成し、シャープさと滑らかさのバランスをとることを目的としている。
本稿では,最初のディープ・イメージ・ビデオ・デノナイズ・パイプラインであるReal-time Controllable Denoising (RCD)を紹介する。
RCDは、任意のdenoisingレベルをリアルタイムに編集するための、完全に制御可能なユーザインターフェースを提供する。
論文 参考訳（メタデータ） (2023-03-29T03:10:28Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Learning Task-Oriented Flows to Mutually Guide Feature Alignment in
Synthesized and Real Video Denoising [137.5080784570804]
Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。
既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。
本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
論文 参考訳（メタデータ） (2022-08-25T00:09:18Z) - CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image
Denoising by Disentangling Noise from Image [53.76319163746699]
そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。
CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。
最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
論文 参考訳（メタデータ） (2022-03-24T11:59:28Z) - FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
フローベースジョイントイメージとノイズモデル(FINO)
本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
論文 参考訳（メタデータ） (2021-11-11T02:51:54Z) - Distribution Conditional Denoising: A Flexible Discriminative Image
Denoiser [0.0]
U-Netに基づくデゾナイズFCNにマルチタスク学習手法を適用するフレキシブルな識別画像デノイザを導入する。
この条件付き学習法は, 定音レベルU-Netデノイザを様々な雑音レベルに一般化することができる。
論文 参考訳（メタデータ） (2020-11-24T21:27:18Z) - Progressive Training of Multi-level Wavelet Residual Networks for Image
Denoising [80.10533234415237]
本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。
人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-10-23T14:14:00Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T07:19:48Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。